PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390

Dimension: px
Commencer à balayer dès la page:

Download "PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390"

Transcription

1 PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS /2009 Jean BERTOIN 1

2 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas l objet de question aux examens. 2

3 Presentation du cours Dans le langage commun, la notion de probabilité a deux interprétations différentes. Interprétation fréquentielle. On fait un grand nombre d expériences qui font intervenir le hasard et qui se déroulent dans les mêmes conditions (par exemple, on jette une pièce et on regarde si pile sort). La probabilité que l expérience réussisse est à peu près la fréquence de succès, i.e. nombre de succès divisé par le nombre d expériences. Ceci correspond en fait à un résultat mathématique rigoureux (et difficile), la loi des grands nombres. Interprétation subjective. On se demande avec quelle probabilité il pleuvra sur Paris le 18 Mars 2007 à midi. Il n y a pas de sens à chercher la fréquence de succès dans un grand nombre d expériences similaires. La réponse que les météorologues peuvent donner dépend d un grand nombre de paramètres, et devient de plus en plus précise au fur et à mesure qu on se rapproche de la date en question. On a affaire à un problème de probabilités conditionnelles. Seul le premier de ces deux points de vue sera traité dans ce cours à l aide d outils mathématiques rigoureux; le second fait en partie l objet d un cours de maitrise. Nous présenterons d abord les notions de base des probabilités discrètes à l aide de la notion de famille sommable. On trouve déjà dans ce cadre simple la plupart des notions fondamentales de la théorie (variables aléatoires, moments, lois et indépendance). On introduira ensuite l axiomatique générale de Kolmogorov, reposant sur la théorie abstraite de la mesure, en faisant le parallèle avec le cas particulier discret traîté précédemment. Puis on s intéressera aux suites et aux séries de variables aléatoires indépendantes en introduisant diverses notions de convergence. On présentera deux des résultats les plus importants de la théorie: la loi des grands nombres et le théorème central limite. Enfin, on fera une brève introduction à quelques notions de statistique pour présenter des applications naturelles des concepts développés dans ce cours. Quelques références: N. Bouleau: Probabilités de l ingénieur. Hermann (1986). D. Revuz: Probalités. Hermann (1997). J. Jacod et P. Protter: Probability essentials. Springer (2000). 3

4 Chapitre 1 Espaces de Probabilités Discrets 1.1 Probabilités sur un espace fini Historiquement, tout part de la théorie des jeux de hasard (Pascal, Fermat, Bernoulli,...). On peut résoudre certains problèmes simples (en fait, souvent moins simples qu il n y parait) par des arguments combinatoires. Assez vite, ce cadre devient trop restrictif; mais il y a une très grande difficulté théorique à mettre sur pied des bases mathématiques à la fois suffisament générales et rigoureuses. Ceci est réalisé par Kolmogorov dans les années 30, et nécéssite la théorie abstraite de la mesure. Formellement, on considère un univers Ω, et on mesure la probabilité d un évènement (c està-dire une partie de Ω) par un réel compris entre 0 et 1. La difficulté principale est que l univers Ω est souvent très gros et mal connu. Le formalisme de Kolmogorov a permis un développement très substantiel de la théorie des probabilités, qui intervient aujourd hui dans de nombreux domaines même déterministes (on peut calculer des intégrales, résoudre des équations différentielles ou étudier des groupes, en utilisant des méthodes probabilistes). Cf. également la physique quantique et le principe d incertitude d Heisenberg. On va voir rapidement comment on résolvait des problemes simples à la préhistoire de la théorie. En fait, la plupart des notions importantes par la suite y figurent déjà. La modernité fera son apparition dans les chapitres ultérieurs. On considère un univers fini Ω = {ω 1,, ω n }. On appelle parfois Ω l espace de probabilité, un élément générique ω une éventualité, et une partie Λ de Ω un événement. L application P : P(Ω) [0, 1] P(Λ) = (Λ) (Ω) s appelle l équiprobabilité sur Ω (P(Ω) désigne l ensemble des parties de Ω, et (Λ) le cardinal de la partie Λ; en particulier (Ω) = n). Il est immédiat de voir que P vérifie les deux propriétés suivantes: P(Ω) = 1, P(Λ Λ ) = P(Λ) + P(Λ ) si Λ et Λ sont disjoints. 4

5 Il en découle que P(Λ c ) = 1 P(Λ), P( ) = 0 P(A B) = P(A) + P(B) P(A B). Exemple On jette trois fois une pièce non truquée. On peut représenter l univers comme l ensemble des applications de {1, 2, 3} (trois jets) dans {P, F } (P = pile, F = face). Autrement dit, Ω = {P, F } 3, et (Ω) = 2 3 = 8. Il est alors très facile de voir que P(on sort exactement une fois P ) = 3/8, P(on sort au moins une fois P ) = 1- P(on sort trois F ) = 1-1/8 = 7/8. Exemple On considère l arrivée d une course de chevaux, avec dix partants, numérotés de 1 à 10. On note l ordre d arrivée. On suppose que les concurrents sont de force égale. L univers Ω est l ensemble des injections de {1,, 10} dans lui-même. En particulier (Ω) = 10!. On a alors P(le numéro 10 arrive dernier) = (w Ω : ω(10) = 10) /10! = 1 nombre d injections 10! de {1,, 9} dans lui même = 9! = 1/10. 10! Calculer maintenant la probabilité pour que le numéro 10 arrive dans les trois premiers. (réponse: 3/10). Exemple On considère une urne contenant dix boules noires et trois rouges. On en tire simultanément deux. L univers Ω est alors l ensemble des parties à deux éléments d un ensemble à treize éléments. Donc (Ω) = ( 13 2 ) = 13!. On en déduit par exemple 2! 11! que P(on ne tire aucune boule rouge) =( 10 2 ) / ( 13 2 ) = 10! 2! 11! = 90 2! 8! 13! 156 Ces exemples très simples ne doivent pas cacher la difficulté à trouver le bon modèle mathématique pour traiter un problème donné. Un modèle qui semble être naturel peut se réveller erroné. Voyons quelques raisonnements faussés. Exemple On met de l argent dans deux enveloppes indistinguables, l une contient deux fois plus que l autre (on ne précise pas les sommes). Un joueur choisit une enveloppe au hasard. Il l ouvre et compte l argent. On lui propose alors de laisser l argent qu il a eu et de prendre celui qu il y a dans l enveloppe encore fermée. A- t-il intéret à le faire? On pourrait faire raisonnement faux suivant: Si on note X la somme dans l enveloppe ouverte, l enveloppe fermée contient soit X/2, soit 2X, chaque fois avec probabilité 1/2. L espérance de son gain s il change serait donc 1 (X/2) + 1 (2X) = 5X/4 > X, et on pourrait conclure que le joueur a intérèt à 2 2 changer. Bien sûr, le sens commun nous dit que ça ne devrait pas être le cas, que l espérance de son gain devrait être la même (sinon, il aurait encore intérèt à changer à nouveau, et on reviendrait à la situation de départ). Pour poser rigoureusement le problème, il faut noter x et 2x l argent que contiennent les deux enveloppes. L univers est tout simplement Ω = {x, 2x} (somme présente dans l enveloppe que tire le joueur). L espérance de son gain s il ne change pas est 1x + 12x = 3 x. L espérance de son gain s il change est 12x + 1x = 3 x; c est bien la même qu avant Exemple Un responsable de jeux dispose de trois enveloppes de couleurs différentes. Il met de l argent dans l une, et du papier journal dans les deux autres. Il fait entrer un joueur et lui fait choisir une enveloppe qu il garde fermée. Parmi les deux enveloppes restantes, il y en a toujours au moins une qui contient du papier journal. 5

6 Le responsable ouvre alors une de ces deux enveloppes dont il sait qu elle contient du papier journal, et propose au joueur de changer l enveloppe qu il a en main contre celle qui reste. Le joueur y a-t-il intérèt? Au vu de l exemple précédent, on pourrait croire hâtivement que ça ne changerait rien. En fait, ce n est pas le cas. En effet, considérons l événement Λ que le joueur gagne l argent s il décide de ne pas changer l enveloppe, et l événement Λ joueur gagne l argent s il décide de changer l enveloppe. Les événements Λ et Λ sont complémentaires (ils sont disjoints et leur union, c est l univers tout entier). La probabilité de Λ est à l évidence 1/3. Celle de Λ est donc 1 1/3 = 2/3. Ainsi, le joueur a deux fois plus de chances de gagner s il change son choix que s il le conserve. L équi-probabilité sur un univers fini est la structure probabiliste la plus simple qu on peut concevoir, puisque toutes les éventualités ont la même probabilité. Plus généralement, on appelera probabilité sur Ω = {ω 1,, ω n } toute application P : P(Ω) [0, 1] qui vérifie les axiomes suivants: P(Ω) = 1, P(Λ Λ ) = P(Λ) + P(Λ ) si Λ et Λ sont disjoints. On déduit immédiatement qu on a encore P(Λ c ) = 1 P(Λ), P( ) = 0 P(A B) = P(A) + P(B) P(A B). Il est immédiat de voir que qu une probabilité P est caractérisée par la donnée des probabilités élémentaires p(ω i ) = P({ω i }), i = 1,, n. En effet on a P(Λ) = p(ω i ), Λ P(Ω). En particulier n i=1 p(ω i ) = 1. i:ω i Λ Exemple Une urne contient dix milliards de boules rouges et cinq milliards de noires, toutes indiscernables au toucher. On en tire quatre simultanément. Estimer la probabilité d avoir tiré au moins une boule rouge? On pourrait bien sûr traiter cette question avec l équiprobabilité; cependant ça ferait intervenir des nombres considérables. Comme on ne demande qu une estimation, on peut raisonner de la façon suivante. Compte tenu du grand nombre de boules dans l urne, tout se passe presque comme si on effectuait un tirage successif avec remise. La probabilité de tirer une boule noire lors d un tirage est de 1/3. La probabilité de tirer quatre boules noires est donc voisine de (1/3) 4 = 1/81. La probabilité d avoir tiré au moins une boule rouge est donc proche de 1 1/81 0, Exemple On jette deux dés; on prend comme univers les valeurs possibles pour la somme des faces obtenues, c est-à-dire Ω = {2, 3,..., 12}. Calculer p(ω) pour ω Ω. 1.2 Préliminaires sur les familles sommables. Dans tout le reste de ce chapitre, Ω désignera un ensemble au plus dénombrable, c està-dire qu il existe une application surjective qui envoie N sur Ω. On note ω l élément 6

7 générique de Ω et P(Ω) l ensemble des parties de Ω. On rappelle que partie non vide P de [0, [ est dite bornée s il existe un réel M tel que x M pour tout x P. Un tel réel M s appelle un majorant de P. L ensemble des majorants de P admet alors un minimum, qu on note sup P. Autrement dit, M = sup P si et seulement si x M pour tout x P et M M pour tout majorant M de P. Si P n est pas bornée, on pose sup P =. On considère une application a : Ω [0, [. Pour toute partie finie F = {ω 1,, ω n } de Ω, on pose n a(ω) = a(ω i ). F Comme l addition est commutative, cette notion ne dépend pas de la façon dont on a numéroté les éléments de F. Définition On pose i=1 { } a(ω) = sup a(ω) : F partie finie de Ω. Ω F On dit que la famille (a(ω), ω Ω) est sommable si Ω a(ω) <. Par exemple, si Ω est un ensemble fini, toute famille réelle positive indexée par Ω est sommable. On observe le résultat élémentaire suivant: si (a(ω), ω Ω) et (a (ω), ω Ω) sont deux familles positives et si pour tout ω Ω on a a(ω) a (ω), alors Ω a(ω) Ω a (ω). En particulier, si la famille (a (ω), ω Ω) est sommable, il en est de même pour la famille (a(ω), ω Ω). Proposition Si Ω = N, alors Ω a(ω) = n=0 a(n). Preuve: Par définition, n=0 a(n) est la limite croissante quand N de la suite Nn=0 a(n). En prenant F N = {0, 1,, N}, on a l inégalité Ω a(ω) n=0 a(n). Pour le sens inverse, toute partie finie F de Ω, on prend N = sup F, de sorte que F F N ; et il en découle que F a(ω) N i=0 a(i) i=0 a(i). Considérons maintenant une application b : Ω ], [. On dit que la famille (b(ω), ω Ω) est sommable si la famille ( b(ω), ω Ω) l est. Dans ce cas, on peut encore définir Ω b(ω) de la façon suivante. Rappelons que tout réel x s écrit comme la différence de sa partie positive x + (qui vaut x + = x si x 0 et x = 0 sinon) et de sa partie négative x (qui coincide avec la partie positive de x). Si la famille ( b(ω), ω Ω) est sommable, les deux familles positives (b(ω) +, ω Ω) et (b(ω), ω Ω) le sont également puisque b ± (ω) b(ω), et on définit On a alors le résultat suivant. b(ω) = b(ω) + b(ω). Ω Ω Ω 7

8 Proposition Supposons que la famille (b(ω), ω Ω) est sommable, et soit (F n, n N) une suite croissante de parties finies de Ω telle que n N F n = Ω. Alors la suite b(ω), n N F n converge quand n et sa limite vaut Ω b(ω). Enfin on a l inégalité Ω b(ω) Ω b(ω). Preuve: La première assertion découle de la commutativité de l addition et de la proposition précédente. Plus précisément, F n étant fini, on a F n b(ω) = F n b(ω) + F n b(ω) et on sait que les deux termes du membre de droite convergent vers Ω b(ω) + et Ω b(ω), respectivement. L inégalité dans la seconde assertion est évidente de la définition même de Ω b(ω). Il découle immédiatement de cette proposition que quand Ω = N, la famille (b(ω), ω Ω) est sommable si et seulement si la série b(n) est absolument convergente, et alors Ω b(ω) = 0 b(n). Nous allons maintenant poursuivre cette section en démontrant deux propriétés fondamentales de la somme d une famille sommable. Linéarité Si (b(ω), ω Ω) et (b (ω), ω Ω) sont deux familles sommables, et si α, α sont deux réels, alors la famille (αb(ω) + α b (ω), ω Ω) est elle aussi sommable et ( ) ( ) (αb(ω) + α b (ω)) = α b(ω) + α b (ω). Ω Ω Ω Preuve: Pour toute partie finie F Ω, on a ( ) ( ) (αb(ω) + α b (ω)) α b(ω) + α b (ω), F F F et comme (b(ω), ω Ω) et (b (ω), ω Ω) sont sommables, il en est de même pour (αb(ω) + α b (ω), ω Ω). De plus, on a l égalité ( ) ( ) (αb(ω) + α b (ω)) = α b(ω) + α b (ω) F F F pour toute partie finie F. En considérant une suite croissante de parties finies (F n, n N) telle que Ω = F n, on conclut qu on a bien ( ) ( ) (αb(ω) + α b (ω)) = α b(ω) + α b (ω). Ω Ω Ω 8

9 Sommation par paquets Soit I un ensemble fini ou dénombrable, et (Ω i, i I) une partition de Ω, c est-a-dire que Ω i P(Ω), Ω i Ω j = si i j, et Ω = I Ω i. Soit (b(ω), ω Ω) une famille sommable. Alors pour tout i I, la sous-famille (b(ω), ω Ω i ) est sommable. Si on note σ(i) = Ω i b(ω), alors la famille (σ(i), i I) est elle aussi sommable, et σ(i) = b(ω) = b(ω). I I Ω i Ω Preuve: Pour tout i I et toute partie finie F i Ω i, F i est a fortiori une partie finie de Ω, et il est alors immédiat que la sous-famille (b(ω), ω Ω i ) est sommable. Pour montrer la formule de sommation par paquets, supposons tout d abord que l ensemble I est fini. Pour chaque indice i, considérons une suite croissante de parties finies de Ω i, (Fn, i n N) telle que n N Fn i = Ω i. Posons pour chaque entier n: F n = i I Fn i (on notera que c est une union d ensembles disjoints), de sorte que (F n, n N) est une suite croissante de parties finies de Ω telle que n N F n = Ω. On a I F i n b(ω) = b(ω), F n puis en faisant tendre n vers l infini, on trouve bien b(ω) = b(ω). I Ω i Ω Supposons finalement que I est dénombrable, et considérons une sous-partie finie J I. Posons Ω J = j J Ω j, de sorte qu on a d après ce qui précède b(ω) J Ω j J Ω j b(ω) = b(ω) b(ω). ΩJ Ω Ceci montre que la famille (σ i, i I) est bien sommable. Considérons ensuite une suite croissante (J(k), k N) de parties finies de I avec J(k) = I. On a alors ΩJ(k) = j J(k) Ω j. On sait donc que pour tout k J(k) σ(j) = J(k) Ω j b(ω) = b(ω). Ω J(k) Comme (b(ω), ω Ω) est sommable, pour tout ε > 0, on peut trouver une partie finie F Ω telle que b(ω) < ε pour tout Ω Ω F. Ω Or Ω J(k) = Ω, de sorte qu il existe un entier k 0 tel que F Ω J(k) pour tout k k 0. En particulier, on a alors pour k k 0 b(ω) σ(j) = b(ω) b(ω) ε. Ω J(k) Ω Ω J(k) Ω F 9

10 En faisant tendre ε vers 0, on voit que la formule de sommation par paquets est correcte. Un cas particulièrement important est celui où Ω est un espace produit, disons Ω = I J. On définit Ω i := {i} J pour tout i I. Dans ce contexte, la formule de sommation par paquets prend la forme b(i, j) = σ i = σ j, I J I J où σ i = J b(i, j), σ j = I b(i, j), et b : I J R désigne une famille sommable. On fait alors référence à l identité précédente comme le théorème de Fubini. Nous allons maintenant conclure cette section en présentant quelques résultats fondamentaux pour les limites de familles sommables. Théorème (i) (convergence monotone) Pour chaque entier n, soit a n : Ω R + une application positive. On suppose que pour chaque ω Ω, la suite a n (ω) est croissante, et on note a(ω) sa limite. On a alors lim a n (ω) = a(ω). n Ω Ω (ii) (lemme de Fatou) Pour chaque entier n, soit a n : Ω R + une application positive. On a alors lim inf a n (ω) lim inf a n(ω). n n Ω Ω (iii) (théorème de convergence dominée, dit de Lebesgue) Pour chaque entier n, soit b n : Ω R une application. On suppose que pour chaque ω Ω, la suite b n (ω) converge vers une limite notée b(ω). On suppose de plus qu il existe a : Ω R + sommable telle que b n (ω) a(ω) pour tout n N et tout ω Ω. On a alors lim n Ω b n (ω) = Ω b(ω). Preuve : (i) Soit F Ω une partie finie. On a alors pour chaque entier n que F a n (ω) F a(ω), d où en prenant le supremum sur les parties finies, Ω a n (ω) Ω a(ω). Cette inegalité étant valable pour tout entier n, on a donc lim sup a n (ω) a(ω). n Ω Ω Par ailleurs, pour toute partie finie F, on a également lim n F a n (ω) = F a(ω), et comme Ω a n (ω) F a n (ω), il en découle que lim inf a n (ω) a(ω). n Ω F Cette inégalité est valable pour toute partie finie F, d où lim inf a n (ω) a(ω). n Ω Ω 10

11 (ii) Posons a n (ω) = inf k n a k (ω), de sorte que la suite a n (ω) est croissante et a pour limite lim inf n a n (ω). On a alors Ω a n (ω) Ω a k (ω) pour tout k n, d où a n (ω) inf a k (ω). k n Ω On fait ensuite tendre n vers l infini et on applique le lemme de convergence monotone ci-dessus. (iii) Supposons dans un premier temps que les fonctions b n sont positives. On peut alors appliquer le lemme de Fatou qui donne lim inf n Ω b n (ω) b(ω). Ω Ω De même, en travaillant cette fois avec les fonctions positives a b n, on obtient lim inf n (a(ω) b n (ω)) (a(ω) b(ω)). Ω Ω Par linéarité, il vient alors lim sup n b n (ω) Ω Ω b(ω), ce qui établit le résultat. Enfin, le cas où les b n ne sont pas nécessairement positifs en découle par séparation des parties positives et négatives. 1.3 Mesure de probabilité On utilisera désormais le langage probabiliste au lieu du langage ensembliste, à savoir qu on appellera Ω l univers, les parties de Ω des événements, et un élément ω Ω un événement élémentaire. On appelle mesure de probabilité sur Ω une application P : P(Ω) [0, 1] qui vérifie les axiomes suivants. A-1: P(Ω) = 1 A-2: Si Λ et Λ sont deux parties disjointes de Ω, alors P(Λ Λ ) = P(Λ) + P(Λ ). A-3: Si (Λ n, n N) est une suite croissante d événements, alors P( Λ n ) = lim n P(Λ n ). En utilisant A-2 et en passant aux événements complémentaires, on voit qu on peut aussi écrire A-3 sous la forme équivalente: A-3(bis) Si (Λ n, n N) est une suite décroissante d événements, alors P( Λ n ) = lim n P(Λ n ). 11

12 L axiome A-3 n est utile que lorsque l univers Ω est infini. En effet, dans un univers fini, toute suite croissante d événements est stationnaire (c est-à-dire constante à partir d un certain rang), et A-3 est trivialement satisfait. La mesure de probabilité P induit en particulier une application p : Ω [0, 1], donnée par p(ω) = P({ω}). Proposition. Pour tout événement Λ, on a P(Λ) = Λ p(ω). Preuve: C est évident si Λ = {ω} est un singleton. En appliquant le second axiome, la proposition est encore vérifiée si Λ est un doubleton, et par récurrence, on voit que la proposition est vraie si Λ est un événement fini. Passons au cas où Λ est infini. On peut numéroter ses éléments, Λ = {ω 0,, ω n, }, et pour tout entier n, on pose Λ n = {ω 0,, ω n }. On sait que P(Λ n ) = n 0 p(ω i ). La suite des événements Λ n est croissante, sa limite est Λ, et on déduit de l axiome A-3 que P(Λ) = p(ω i ). D après un résultat vu dans la première section, on sait que le terme de droite est égal à Λ p(ω). 0 En particulier, (p(ω), ω Ω) est une famille sommable à valeurs positives et telle que Ω p(ω) = 1 (d après l axiome A-1). On a une réciproque: Proposition Soit (p(ω), ω Ω) est une famille sommable à valeurs positives et telle que Ω p(ω) = 1. Pour tout Λ P(Ω), on pose P(Λ) = Λ p(ω). Alors P est une mesure de probabilité sur Ω. Preuve: L axiome A-1 est immédiatement vérifié. Pour établir A-2, considérons deux événements disjoints, Λ et Λ. Si Λ et Λ sont tous les deux finis, on a bien ( ) ( ) p(ω) = p(ω) + p(ω) Λ Λ Λ (par commutativité de l addition). Passons au cas général. Pour tout ε > 0, on peut trouver une partie finie F Λ et une partie finie F Λ telles que p(ω) p(ω) < ε et p(ω) p(ω) < ε. Λ F Λ F Comme Λ et Λ sont disjoints, il en est de même pour F et F, et on déduit que p(ω) + p(ω) p(ω) 2ε. Λ Λ F F 12 Λ

13 Or F F est une partie finie de Λ Λ, et comme ε est arbitrairement petit, on a p(ω) + p(ω) p(ω). Λ Λ Λ Λ Pour établir l inégalité inverse, on se donne une partie finie G Λ Λ, qu on peut écrire sous la forme G = F F, où F Λ et F Λ sont toutes deux finies. On a donc p(ω) = p(ω) + p(ω) p(ω) + p(ω). G F F Λ Λ En prenant le supremum sur les parties finies G, on a bien p(ω) + p(ω) p(ω). Λ Λ Λ Λ Vérifions maintenant l axiome A-3. Soit (Λ n, n N) une suite croissante d évènements; posons Λ = Λ n. La suite réelle Λ n p(ω), n N est croissante, elle admet donc une limite que nous notons l. Si F Λ est un évènement fini, alors il existe un entier n tel que F Λ n et on déduit que l Λ p(ω). Réciproquement, on a Λ n Λ pour tout entier n, et donc p(ω) p(ω) ; Λ n Λ en faisant tendre n vers, ceci entraine l Λ p(ω). 1.4 Variables aléatoires discrètes et leurs lois Une variable aléatoire est une application X sur Ω, à valeurs dans un certain ensemble E. Le plus souvent, E = N, Z, R ou R d. De façon informelle, une variable aléatoire represente l effet de l aléas sur une expérience; par exemple X peut representer le gain d un joueur à la loterie... Une variable aléatoire permet de transporter la mesure de probabilité P sur Ω en une mesure de probabilité sur l ensemble des valeurs prises par X. Proposition et Définition Pour tout sous-ensemble E E, on note {X E } = {ω Ω : X(ω) E }. L application P X : P(E) [0, 1] définie par P X (E ) = P({X E }), E P(E) est une mesure de probabilité sur P(E). On l appelle la loi de la variable aléatoire X, ou encore sa distribution. Preuve: On a P X (E) = P({X E}) = 1, et donc l axiome A-1 est satisfait. Si E 1 et E 2 sont deux parties disjointes de E, alors les événements {X E 1 } et {X E 2 } sont contradictoires et donc P X (E 1 E 2 ) = P({X E 1 E 2 }) = P({X E 1 } {X E 2 }) = P({X E 1 } + P({X E 2 }) = P X (E 1 ) + P X (E 2 ). 13

14 Ceci établit A-2. Enfin, soit (E n, n N) une suite croissante de parties de E; on note E = E n. La suite d événements {X E n } est elle aussi croissante, et on vérifie immédiatement que {X En } = {X E }. On a donc lim P X(E n ) = lim n n P ({X E n }) = P ({X E }) = P X (E ), et A-3 est démontré. Si on note {x n, n I} l ensemble des valeurs que peut prendre X (l ensemble I est nécessairement au plus dénombrable, puisque c est le cas pour Ω), on voit donc que la loi de X est caractérisée par la donnée de p X (x i ) = P X ({x i }) = P({X = x i }), i I. Plus précisément, on a pour tout E E P X (E ) = x E p X (x). Nous allons maintenant supposer que X est une variable aléatoire réelle, c est-à-dire que E = R. Définition On appelle fonction de répartition de X la fonction F X : R [0, 1] donnée par: F X (x) = P X (], x]) = P({X x}), x R. Nous allons montrer maintenant qu une fonction de répartition vérifie les propriétés élémentaires suivantes. Proposition (i) La fonction F X est croissante, avec lim F X(x) = 0 et lim F X (x) = 1. x x (ii) La fonction F X est continue à droite, sa limite à gauche au point x vaut F X (x ) = (iii) Pour tout x R, on a lim F X(y) = P X (], x[). y x p X (x) = P({X = x}) = F X (x) F X (x ) ; en particulier, la fonction de répartition F X caractérise la loi de X. 14

15 preuve: (i) Si x x, alors ], x] ], x ] et on a bien F X (x) F X (x ). Comme ], [= n N], n], on a lim F X(n) = P X (], [) = 1. n De même ], [= n N] n, [ et comme F X ( n) = 1 P X (] n, [), on a donc 1 lim n F X ( n) = P X (], [) = 1. (ii) Soit (x n, n N) une suite réelle qui décroît vers x. La suite des évènements {X x n } est décroissante et {X x} = {X x n }. On a donc F X (x) = lim F X (x n ). Supposons maintenant que (x n, n N) est une suite strictement croissante qui converge vers x. Alors la suite des événements {X x n} est croissante et {X < x} = {X x n}. On a donc F X (x ) = lim F X (x n). (iii) Il suffit d écrire {X x} = {X < x} {X = x} et d appliquer A Moments d une variable aléatoire réelle On suppose à nouveau que X est une variable aléatoire réelle, et on introduit la notion suivante: Définition Si la famille { X(ω) p(ω), ω Ω} est sommable, on dit que X admet un moment d ordre 1 et on pose E(X) = Ω X(ω)p(ω). On appelle cette quantité l espérance, ou la moyenne, de X. Plus généralement, pour tout réel k > 0, on dit que X admet un moment d ordre k si la variable aléatoire X k admet un moment d ordre 1. Il est immédiat de voir que si la variable X est bornée, c est-à-dire s il existe un réel M > 0 tel que X(ω) M pour tout ω Ω, alors X admet des moments de tous ordres. C est le cas en particuler lorsque l univers Ω est fini. L espérance satisfait les propriétés suivantes: Proposition (i) Si la variable aléatoire X admet un moment d ordre 1, et si {x i, i I} désigne l ensemble des valeurs prises par X, alors la famille (x i P({X = x i }), i I) est sommable et E (X) = x i P({X = x i }). i I (ii) Si X et Y sont deux variables aléatoires qui admettent toutes les deux un moment d ordre 1, alors pour tout α, β R, c est aussi le cas pour la variable αx + βy et on a E (αx + βy ) = αe(x) + βe(y ). 15

16 Preuve: (i) Posons Ω i = {ω Ω : X(ω) = x i }. La famille {Ω i, i I} est une partition de Ω, et il ne reste qu à appliquer la formule de sommation par paquets. (ii) C est une conséquence de la linéarité de la somme pour les familles sommables. Proposition et définition Si X admet un moment d ordre 2, alors il admet également un moment d ordre 1. On pose alors Var(X) = E(X 2 ) E(X) 2, et on appelle cette quantité la variance de X. On a l identité Var(X) = E ( (X E(X)) 2). En conséquence, Var(X) 0, on appelle σ = Var(X) l écart-type de X. Preuve: En considérant la partition de l univers en Ω = { X 1} { X > 1}, on déduit que X(ω) p(ω) p(ω) + X(ω) 2 p(ω) P({ X 1}) + E(X 2 ), Ω { X 1} { X >1} ce qui montre que X a un moment d ordre 1. Ensuite, il suffit de poser m = E(X) et d écrire E((X m) 2 ) = E(X 2 2mX + m 2 ) = E(X 2 ) 2mE(X) + m 2 = E(X 2 ) m 2. Les notions d espérance et de variance sont très utile pour estimer la queue de la distribution d une variable aléatoire. Inégalité de Markov Soit X une variable aléatoire qui admet un moment d ordre 1. Pour tout réel a > 0, on a P ({ X a}) a 1 E( X ). Preuve: Il suffit d écrire E ( X ) = Ω X(ω) p(ω) X(ω) p(ω) X(ω) a X(ω) a ap(ω) = ap ({ X a}). Inégalité de Bienaymé-Chebitchev Soit X une variable aléatoire qui admet un moment d ordre 2. Pour tout réel a > 0, on a P ({ X E(X) a}) a 2 Var(X). 16

17 Preuve: Pour simplifier, posons m = E(X). On a P ( X m a) = P ( X m 2 a 2), et il ne reste qu à appliquer l inégalité de Markov. Corollaire Une variable aléatoire est constante avec probabilité 1 si et seulement si sa variance est nulle. Elle est alors égale à sa valeur moyenne. Preuve: Si X a une variance nulle, alors l inégalité de Bienaymé-Chebitchev entraine que pour tout ε > 0, P({ X E(X) > ε}) = 0, c est-à-dire P({X = E(X)}) = 1. La réciproque est évidente. 1.6 Fonction génératrice d une v.a. à valeurs entières On suppose dans cette partie que X est une v.a. qui prend toutes ses valeurs dans N. Définition On appelle fonction génératrice de X la fonction G X : [0, 1] [0, 1] donnée par G X (s) = E(s X ) = s n P(X = n). n=0 (On utilise la convention 0 0 = 1 dans le cas s = n = 0.) Proposition La fonction génératrice est une fonction entière sur [0, 1], de rayon de convergence supérieur ou égal à 1. Elle détermine la loi de X, plus précisément on a pour tout entier n P(X = n) = G(n) X (0), n! où G (n) X désigne la dérivée n-ième de G X. Preuve: Le fait que G X soit une fonction entière est clair sur sa définition. Comme la série correspondant à G X (1) a tous ses coéfficients positifs et que G X (1) = E(1 X ) = 1, le rayon est au moins égal à 1. La formule qui donne les coefficients d une série entière en fonction de ses dérivées à l origine termine la preuve. Exemples fondamentaux Prenons pour X une variable de Bernoulli de paramètre p [0, 1], c est-à-dire P(X = 1) = p, P(X = 0) = 1 p. On a G X (s) = 1 p + sp. Prenons pour X une variable binomiale de paramètres (n, p), où n N et p [0, 1], c est-à-dire P(X = k) = ( n k) p k (1 p) n k, k = 0, 1,, n. (Pour vérifier que n 0 P(X = k) vaut bien 1, il suffit d appliquer la formule de Newton.) 17

18 On a d après la formule de Newton: G X (s) = n ( n k) p k (1 p) n k s k = (ps + 1 p) n. k=0 Prenons pour X une variable géométrique de paramètre p ]0, 1[, c est-à-dire P(X = n) = (1 p)p n n N. (Pour vérifier que 0 P(X = n) vaut bien 1, il suffit d appliquer la formule pour la somme d une série géométrique.) On a alors G X (s) = s n (1 p)p n = n=0 1 p 1 sp. Prenons pour X une variable de Poisson de paramètre c > 0, c est-à-dire On a alors c cn P(X = n) = e n!, n N. G X (s) = e c n=0 s n cn n! = e c e cs = e c(s 1). 1.7 Variables aléatoires indépendantes Soient X 1,, X n E 1,, E n. une famille de n variables aléatoires discrètes, à valeurs dans Définition. On dit que les v.a. X 1,, X n sont indépendantes si P (X 1 = x 1,, X n = x n ) = n P(X i = x i ) i=1 pour tout x 1 E 1,, x n E n. Il convient de prendre garde au point suivant: il existe des variables X 1, X 2, X 3 qui sont deux à deux indépendantes sans que le triplet le soit. Par exemple, si B 1 et B 2 sont deux variables de Bernoulli indépendantes, on peut prendre X 1 = B 1, X 2 = B 2 et X 3 = B 1 B 2. Il est immédiat de renforcer cette propriété. Proposition. Les v.a. X 1,, X n sont indépendantes si et seulement si E (f 1 (X 1 ) f n (X n )) = n E(f i (X i )), i=1 pour toutes les fonctions bornées f i : E i R. 18

19 Preuve: Pour simplifier, nous supposerons n = 2; le cas général est analogue mais avec des notations plus lourdes E (f 1 (X 1 )f 2 (X 2 )) = ω Ω f 1 (X 1 (ω))f 2 (X 2 (ω))p(ω) = f 1 (x 1 )f 2 (x 2 )P(X 1 = x 1, X 2 = x 2 ) (sommation par paquets) E 1 E 2 = f 1 (x 1 )f 2 (x 2 )P(X 1 = x 1 )P(X 2 = x 2 ) (indépendance) E 1 E 2 = f(x 1 )P(X 1 = x 1 ) f(x 2 )P(X 2 = x 2 ) E 1 x 2 E 2 (sommation par paquets) = E(f 1 (X 1 ))E(f 2 (X 2 )). La réciproque est évidente. Voici une application simple de ce résultat. Corollaire Si X et Y sont deux variables aléatoires réelles indépendantes qui admettent toutes les deux un moment d ordre deux, alors Var(X + Y ) = Var(X) + Var(Y ). Preuve: Grâce à la linéarité et à l indépendance, on a E((X + Y ) 2 ) = E ( X 2 + 2XY + Y 2) = E(X 2 ) + 2E(X)E(Y ) + E(Y 2 ) E(X + Y ) 2 = E(X) 2 + 2E(X)E(Y ) + E(Y ) 2, ce qui conduit au résultat en prenant la différence. Les fonctions génératrices sont très utiles pour étudier les sommes de variables indépendantes comme le montre le résultat suivant. Corollaire Si X 1,, X n sont n variables aléatoires à valeurs entières indépendantes, alors la fonction génératrice de la variable X X n est le produit des fonctions génératrices, G X1 + +X n = n i=1 G Xi. Preuve: On a pour tout s [0, 1]: G X1 + +X n (s) = E ( s X 1+ +X n ) = E ( s X1 s Xn ) = n E ( ) s X n i = G Xi (s). i=1 i=1 Corollaire Soit X 1,, X n, n variables indépendantes qui suivent toutes la loi de Bernoulli de paramètre p, 0 < p < 1. Alors S = X X n suit la loi binomiale de paramètres (n, p). Preuve: D après la proposition précédente, la fonction génératrice de S est G S = G n X, où X désigne une variable de Bernoulli de paramètre p. Comme G X (s) = 1 p + sp, on a donc G S (s) = (1 p + sp) n, qui est la fonction génératrice de la loi binomiale de 19

20 paramètres (n, p). Comme la fonction génératrice caractérise la loi, le corollaire est démontré. On peut démontrer de la même manière que si X et X sont deux variables indépendantes qui suivent des lois de Poisson de paramètres c et c, respectivement, alors X + X suit encore un loi de Poisson de paramètre c + c (exercice). 20

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres 1 Introduction Le nombre de piles obtenus au cours d une série de n lancers de pile ou face ou plus généralement dans

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

TD 1 & 2 Rappels de probabilités

TD 1 & 2 Rappels de probabilités Master IF, ENS de Lyon Évaluation de performance 5 & 22 septembre 20 TD & 2 appels de probabilités lionel.rieg@ens-lyon.fr Probabilités discrètes. Calcul de probabilités Exercice Soient A et B des événements

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année 2005-2006 2 Table des matières 1 Rappels de théorie des ensembles 5 1.1 Opérations sur les ensembles................... 5 1.2 Applications

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

Préparation à l écrit Année 2008-2009. Liste des fiches de probabilités

Préparation à l écrit Année 2008-2009. Liste des fiches de probabilités Capes de Mathématiques Université Joseph Fourier Préparation à l écrit Année 2008-2009 Liste des fiches de probabilités Probabilités 1 : Introduction aux espaces probabilisés Probabilités 2 : Variables

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Fondamentaux pour les Mathématiques et l Informatique :

Fondamentaux pour les Mathématiques et l Informatique : Université Bordeaux 1 Licence de Sciences, Technologies, Santé Mathématiques, Informatique, Sciences de la Matière et Ingénierie M1MI1002 Fondamentaux pour les Mathématiques et l Informatique Fondamentaux

Plus en détail

Probabilités et Statistique. Benjamin JOURDAIN

Probabilités et Statistique. Benjamin JOURDAIN Probabilités et Statistique Benjamin JOURDAIN 18 septembre 2006 2 i Remerciements Je tiens à remercier les membres de l équipe enseignante du cours de probabilités de première année, Aurélien Alfonsi,

Plus en détail

Université de Cergy-Pontoise Département de Mathématiques L1 MPI - S1. Cours de Mathématiques 1

Université de Cergy-Pontoise Département de Mathématiques L1 MPI - S1. Cours de Mathématiques 1 Université de Cergy-Pontoise Département de Mathématiques L1 MPI - S1 Cours de Mathématiques 1 Table des matières 1 Un peu de formalisme mathématique 7 1.1 Rudiments de logique........................................

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Théorie de la Mesure et Intégration

Théorie de la Mesure et Intégration Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

Cours Intégration MA62. Université de Reims

Cours Intégration MA62. Université de Reims Cours Intégration MA62 Frédéric Hérau Université de Reims mai 2006 Table des matières Introduction 2 1 Préliminaires et Rappels 3 1.1 La droite achevée R............................... 3 1.2 Rappels sur

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

THÉORIE DE LA MESURE ET INTÉGRATION

THÉORIE DE LA MESURE ET INTÉGRATION Université Pierre et Marie Curie Licence de Mathématiques Années 2004-2005-2006 LM 363 THÉORIE DE LA MESURE ET INTÉGRATION Cours de P. MAZET Edition 2004-2005-2006 Table des matières Table des matières

Plus en détail

Chapitre 8 : Probabilités-Indépendance

Chapitre 8 : Probabilités-Indépendance Cours de mathématiques Terminale S Chapitre 8 : Probabilités-Indépendance Année scolaire 008-009 mise à jour 6 janvier 009 Fig. Andreï Kolmogorov Un précurseur de la formalisation de la théorie des probabilités

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Théorie des ensembles

Théorie des ensembles Théorie des ensembles Cours de licence d informatique Saint-Etienne 2002/2003 Bruno Deschamps 2 Contents 1 Eléments de théorie des ensembles 3 1.1 Introduction au calcul propositionnel..................

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

L3 Maths : Cours d Intégration (partie I)

L3 Maths : Cours d Intégration (partie I) L3 Maths : Cours d Intégration (partie I) Noureddine Igbida 1 2012-2013 1. Institut de recherche XLIM, UMR-CNRS 6172, Faculté des Sciences et Techniques, Université de Limoges 123, Avenue Albert Thomas

Plus en détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Exo7. Topologie générale. Enoncés : M. Quéffelec Corrections : A. Bodin

Exo7. Topologie générale. Enoncés : M. Quéffelec Corrections : A. Bodin Enoncés : M. Quéffelec Corrections : A. Bodin Exo7 Topologie générale Exercice 1 1. Rappeler les définitions d une borne supérieure (inférieure) d un ensemble de nombres réels. Si A et B sont deux ensembles

Plus en détail

Thème 3 : ensembles, espaces de probabilités finis

Thème 3 : ensembles, espaces de probabilités finis Thème 3 : ensembles, espaces de probabilités finis Serge Cohen, Monique Pontier, Pascal J. Thomas Septembre 2004 1 Généralités : ensembles et parties d un ensemble Définition 1.1 On appelle ensemble une

Plus en détail

COURS DE PROBABILITE 2ième année d économie et de gestion Semestre 1

COURS DE PROBABILITE 2ième année d économie et de gestion Semestre 1 COURS DE PROBABILITE 2ième année d économie et de gestion Semestre 1 Laurence GRAMMONT Laurence.Grammont@univ-st-etienne.fr Les solutions des exercices posés dans ce polycopié ne sont pas rédigées. October

Plus en détail

Feuille d exercices 1

Feuille d exercices 1 Université Paris 7 - Denis Diderot L2 - Probabilités PS4 Année 2014-2015 Feuille d exercices 1 Exercice 1 Combien y a-t-il de paires d entiers non consécutifs compris entre 1 et n (n 1)? Exercice 2 1.

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Notes du cours Mathématiques pour l ingénieur. Sup Galilée - année 2008-2009

Notes du cours Mathématiques pour l ingénieur. Sup Galilée - année 2008-2009 Notes du cours Mathématiques pour l ingénieur Sup Galilée - année 2008-2009 Benoît Merlet Ces notes de cours s adressent aux élèves ayant suivi le cours. Elles contiennent peu d explications. Elles pourront

Plus en détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,

Plus en détail

Calcul Stochastique Discret

Calcul Stochastique Discret MASTER MASS 2 Univ. Nice Sophia Antipolis Calcul Stochastique Discret Avec Applications aux mathématiques financières P. Del Moral Laboratoire J. A. Dieudonné, Mathématiques Unité mixte de Recherche C.N.R.S.

Plus en détail

Cours de Probabilités

Cours de Probabilités Université Paris-Daupine Année 2013/2014 DMI2 Cours de Probabilités Joseph Lehec Table des matières 1 Théorie de la mesure 2 1.1 Définitions......................................... 2 1.2 La mesure de

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

VIII Relations d ordre

VIII Relations d ordre VIII Relations d ordre 20 février 2015 Dans tout ce chapitre, E est un ensemble. 1. Relations binaires Définition 1.0.1. On appelle relation binaire sur E tout triplet R = (E, E, Γ) où Γ est une partie

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Formellement, un processus aléatoire est une succession de variables aléatoires (X n ) n 0

Formellement, un processus aléatoire est une succession de variables aléatoires (X n ) n 0 Chapitre 1 Modélisation markovienne 11 Introduction Un processus aléatoire est un phénomène dont une partie de l évolution temporelle est aléatoire On rencontre ces processus dans divers domaines de la

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Notes de cours L1 MATH120. Hervé Le Dret

Notes de cours L1 MATH120. Hervé Le Dret Notes de cours L1 MATH120 Hervé Le Dret 18 octobre 2004 40 Chapitre 3 Vecteurs dans R m Dans ce chapitre, nous allons nous familiariser avec la notion de vecteur du point de vue algébrique. Nous reviendrons

Plus en détail

Suites réelles. 4 Relations de comparaison des suites 9 4.1 Encore du vocabulaire... 9. 5.2 Quelques propriétés... 13

Suites réelles. 4 Relations de comparaison des suites 9 4.1 Encore du vocabulaire... 9. 5.2 Quelques propriétés... 13 Maths PCSI Cours Table des matières Suites réelles 1 Généralités 2 2 Limite d une suite 2 2.1 Convergence d une suite....................... 2 2.2 Deux premiers résultats....................... 3 2.3 Opérations

Plus en détail

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Applications Bilinéaires et Formes Quadratiques

Applications Bilinéaires et Formes Quadratiques Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Exercices corrigés de SQ20

Exercices corrigés de SQ20 1 Exercices corrigés de SQ2 Corrigés TD 1 à 4 Printemps 215 responsable de l'uv : André Turbergue SQ2 TD1 : espaces probabilisés TD1 : espaces probabilisés 1 Énoncés Exercice 1. Calculer si possible une

Plus en détail

Licence 3ème année (L3 S6) année 2008-2009 UFR Sciences Université Picardie Jules Verne, Amiens. Probabilités. Barbara SCHAPIRA

Licence 3ème année (L3 S6) année 2008-2009 UFR Sciences Université Picardie Jules Verne, Amiens. Probabilités. Barbara SCHAPIRA Licence 3ème année (L3 S6) année 2008-2009 UF Sciences Université Picardie Jules Verne, Amiens Probabilités Barbara SCHAPIA 4 juin 2009 Table des matières 1 Probabilités et variables aléatoires 4 1.1 Espaces

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Cours d algebre pour la licence et le Capes

Cours d algebre pour la licence et le Capes Cours d algebre pour la licence et le Capes Jean-Étienne ROMBALDI 6 juillet 007 ii Table des matières Avant-propos Notation v vii 1 Éléments de logique et de théorie des ensembles 1 11 Quelques notions

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

Table des matières. 3 Suites de nombres réels 29. 3.2 Limites... 30

Table des matières. 3 Suites de nombres réels 29. 3.2 Limites... 30 Table des matières 1 Généralités 3 1.1 Un peu de logique................................. 3 1.1.1 Vocabulaire................................ 3 1.1.2 Opérations logiques............................ 4 1.1.3

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

TD: Ensembles, applications, dénombrement

TD: Ensembles, applications, dénombrement Université de Provence Année 011/1 Licence Math Info ème année S3 Fondements de l Informatique 1 Ensembles et fonctions TD: Ensembles, applications, dénombrement 1. On suppose que l ensemble de tous les

Plus en détail

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé ALGÈBRE PAD - Notes de cours S. Rigal, D. Ruiz, et J. C. Satgé November 23, 2006 Table des Matières Espaces vectoriels Applications linéaires - Espaces vectoriels............................... 3 -. Approche

Plus en détail